您可以将向量嵌入与其他 MongoDB 数据一起存储。这些嵌入可以捕获数据中的有意义的关系，使您能够执行语义搜索并实现 RAG。
开始体验
使用以下教程，了解如何创建向量嵌入并使用向量搜索进行查询。具体来说，您需要执行以下操作：
选择您是想使用专有模型还是开源模型。要想获得最先进的嵌入功能，请使用 Voyage AI。
从您的数据创建嵌入并将其存储在 MongoDB 中。
选择是要从新数据还是MongoDB集合中已有的数据创建嵌入。
根据搜索词创建嵌入，并运行向量搜索查询。
对于生产应用程序，您通常会写入脚本来生成向量嵌入。 您可以从此页面上的示例代码开始，并根据您的使用案例进行自定义。
Considerations
在创建向量嵌入时请考虑以下因素：
选择创建嵌入的方法
要创建向量嵌入，您必须使用嵌入模型。嵌入模型是用于生成数据数值向量表示的算法。请选择以下方式之一来访问嵌入模型：
方法 | 说明 |
|---|---|
加载开源模型 | 如果您没有专有嵌入模型的 API 密钥，可以在应用程序本地加载开源嵌入模型。 |
使用专有模型 | 大多数AI提供商都为其专有的嵌入模型提供API，可用于创建向量嵌入。对于最先进的嵌入，请使用 Voyage AI。 |
利用一个集成 | 您可以将MongoDB Vector Search 与开源框架和AI服务集成，以快速连接到开源和专有的嵌入模型，并为MongoDB Vector Search 生成矢量嵌入。 要学习；了解更多信息，请参阅将MongoDB与AI技术集成。 |
选择内嵌模型
您选择的嵌入模型会影响查询结果，并决定您在MongoDB Vector Search索引中指定的维数。根据您的数据和使用案例，每种模型都有不同的优势。对于最先进的嵌入，包括多模态和特定领域的嵌入模型，请使用 Voyage AI。
为MongoDB Vector Search 选择嵌入模型时，请考虑以下指标：
向量压缩
如果您有大量浮点向量，并希望减少mongod中的存储和WiredTiger占用空间（如磁盘和内存使用量），请通过将嵌入转换为binData向量来压缩它们。
BinData 是一种存储二进制数据的 BSON 数据类型。向量嵌入的默认类型是 32 位浮点数 (float32) 的大量。二进制数据比默认大量格式的存储效率更高，因此所需的磁盘空间减少三倍。
存储 binData 向量可以提高查询性能，因为将文档加载到工作集所需的资源更少。这可以显著提高在返回超过 20 个文档的向量查询速度。如果您压缩了 float32 嵌入，您可以使用 float32 或 binData 向量来查询它们。
本页的教程包括一个示例函数，您可以使用它将float32向量转换为binData向量。
支持的驱动程序
BSON BinData 向量由以下驱动程序提供支持：
C++ 驱动程序 v4.1.0 或更高版本
C#/.NET 驱动程序 v3.2.0 或更高版本
Go驱动程序v2.1.0 或更高版本
PyMongo 驱动程序 v4.10 或更高版本
Node.js 驱动程序 v6.11 或更高版本
Java 驱动程序 v5.3.1 或更高版本
背景
浮点向量通常很难压缩，因为数组中的每个元素都有其自己的类型（尽管大多数向量是统一类型的）。因此，将嵌入模型的浮点向量输出转换为带有子类型 float32 的 binData 向量是一种更高效的序列化方案。binData 向量为整个向量存储单一类型描述符，从而减少存储开销。
验证您的嵌入
请考虑以下策略，以确保您的嵌入是正确且最佳的：
在生成和查询嵌入时，请考虑以下最佳实践：
测试您的函数和脚本。
生成嵌入需要时间和计算资源。 在从大型数据集或集合创建嵌入之前，请测试嵌入函数或脚本是否在一小部分数据上按预期运行。
分批创建嵌入。
如果要从大型数据集或包含大量文档的集合生成嵌入，请分批创建嵌入，以避免内存问题并优化性能。
评估性能。
运行测试查询，检查搜索结果是否相关且排名是否准确。
要详细学习；了解如何评估结果以及微调索引和查询的性能，请参阅如何衡量查询结果的准确性和MongoDB Vector Search 的基准。
如果您在嵌入时遇到问题，请考虑以下策略：
验证您的环境。
检查是否已安装必要的依赖项且这些依赖项是最新的。 库版本冲突可能会导致意外行为。 创建新环境并仅安装所需的包，确保不存在冲突。
注意
如果使用 Colab，请确保笔记本会话的 IP 地址包含在 Atlas 项目的访问列表中。
监控内存使用情况。
如果您遇到性能问题，请检查 RAM、CPU 和磁盘使用情况，以确定任何潜在的瓶颈。对于 Colab 或 Jupyter Notebooks 等托管环境，请确保您的实例预配了足够的资源，并在必要时升级实例。
确保维度一致
验证MongoDB Vector Search索引定义是否与MongoDB中存储的嵌入的维度相匹配，并且您的查询嵌入与索引的嵌入的维度相匹配。否则，在运行向量搜索查询时可能会遇到错误。
后续步骤
在学习如何创建嵌入并使用MongoDB Vector Search查询嵌入后，开始通过实施检索增强生成 (RAG) 来构建生成式AI应用程序：
您还可以将 32 位浮点向量嵌入量化为更少的位数，从而进一步减少资源消耗并提高查询速度。要了解更多信息，请参阅 向量量化 。